論文の概要: MuLA-Bench: A Multilingual Long-Form Audio Understanding Benchmark via Multi-Tier Auditing

• arxiv url: http://arxiv.org/abs/2609.23416v1
• Date: Sun, 20 Sep 2026 07:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.813959
• Title: MuLA-Bench: A Multilingual Long-Form Audio Understanding Benchmark via Multi-Tier Auditing
• Title（参考訳）: MuLA-Bench:マルチティア監査による多言語長文音声理解ベンチマーク
• Abstract要約: 我々は MuLA-Bench: 5,038 のオープンエンド質問を1,769 回録音し,合計1,377.9 時間で紹介する。 バランスの取れた言語 x ドメインのセマンティックトラックは、制御された比較をサポートする。 補完的な音響トラックは自然に発生する非音声の証拠を保存する。
• 参考スコア（独自算出の注目度）: 33.094516965027445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-form audio performance is often summarized by context length and aggregate accuracy, obscuring how language, evidence, and task jointly shape difficulty. We introduce MuLA-Bench: 5,038 open-ended questions over 1,769 in-the-wild recordings totaling 1,377.9 hours, covering 16 languages and eight domains. A balanced Language x Domain semantic track supports controlled comparisons, while a complementary acoustic track preserves naturally occurring non-speech evidence. Evidence-grounded generation, shortcut checks, and language-expert review provide auditable questions without translating a shared source set or injecting target sounds. We evaluate ten audio-language models and conduct pooled diagnostics on a fixed eight-model cohort. Language rankings change across domains and tasks; acoustic-semantic performance gaps vary with the requested operation; and temporal errors can persist after the correct event is identified. Long-range retrieval is comparatively strong, while precise clock alignment and factual grounding of natural acoustic events remain fragile. MuLA-Bench thus exposes conditional failure patterns that a single long-context score does not capture.
• Abstract（参考訳）: ロングフォームオーディオのパフォーマンスは、しばしば文脈の長さと集約精度によって要約され、言語、エビデンス、タスクが共同で難易度を形作る方法を見極めている。 MuLA-Bench: 5,038 のオープンエンド質問が 1,769 件で,合計 1,377.9 時間,16 言語と 8 ドメインをカバーしている。 バランスの取れた言語xドメインのセマンティックトラックは制御された比較をサポートし、補完的な音響トラックは自然に発生する非音声の証拠を保存する。 Evidence-grounded generation, shortcut checks, and language-expert review は、共有ソースセットを翻訳したり、ターゲット音を注入したりすることなく、監査可能な質問を提供する。 固定された8モデルコホート上で,10種類の音声言語モデルを評価し,プールド診断を行う。 言語ランキングはドメインやタスクによって変化し、要求された操作によって音響的・意味的なパフォーマンスギャップが異なり、正しいイベントが特定された後に時間的エラーが持続する。 長距離検索は比較的強いが、正確な時計のアライメントと自然の音響事象の実際の接地は脆弱である。 MuLA-Benchは、単一の長文スコアがキャプチャしない条件付き障害パターンを公開する。

関連論文リスト

• ESCUCHA: A Spanish Speech Benchmark for Heterogeneous Acoustic Conditions [66.93528077633728]
  ESCUCHAは、既存のデータセットからではなく、音声と組み合わせた1,000の人為的な質問からなる。 このベンチマークは、9つの知覚的カテゴリーと10の推論カテゴリにまたがる推論を強調し、複数のスペイン語アクセントと非ノルマ的スピーチを通して言語多様性を捉えている。 いくつかの最先端のマルチモーダルおよび音声モデルのベンチマークでは、訓練された人間と比較して、かなりのパフォーマンスのギャップが示される。
  論文  参考訳（メタデータ） (2026-07-20T10:59:15Z)
• Improving Text-to-Audio Instruction Following via Fine-Grained Feedback from Audio-Aware Large Language Models [51.75139461584678]
  最近の音声合成モデルは高品質な音声を生成するが、複数の音声イベントと時間順を含む指示に従わないことが多い。 本稿では,音声対応の大規模言語モデルを用いた指示レベルフレームワークを提案する。 実験の結果,既存のベンチマークやS3Benchにおける事象完全性,時間的順序付け,共同指示追従の精度が向上し,音質の維持が図られた。
  論文  参考訳（メタデータ） (2026-07-15T03:13:06Z)
• ReasonAudio: A Benchmark for Evaluating Reasoning Beyond Matching in Text-Audio Retrieval [9.400944614656735]
  ReasonAudioはText-Audio Retrievalの最初の推論集約型ベンチマークである。 1000のクエリと10,000の合成オーディオクリップからなり、ネゲーション、オーダー、オーバーラップ、デュレーション、ミックスの5つの基本的な推論タスクにまたがる。 我々の10種類の最先端モデルに対する評価では、以下の結果が示される: すべてのモデルは、推論集約的な音声検索に苦慮する。
  論文  参考訳（メタデータ） (2026-05-05T04:44:51Z)
• Discrete Audio Tokens: More Than a Survey! [137.3721175670642]
  本稿では,離散型音声トークンの体系的レビューとベンチマークを行う。 音声、音楽、一般的なオーディオドメインをカバーしている。 本稿では,エンコーダデコーダ,量子化技術,トレーニングパラダイム,ストリーム性,アプリケーションドメインに基づくトークン化アプローチの分類法を提案する。
  論文  参考訳（メタデータ） (2025-06-12T01:35:43Z)
• Leveraging Language Model Capabilities for Sound Event Detection [10.792576135806623]
  本稿では,音声イベントとその時間的位置を同時に生成しながら,音声特徴を理解するためのエンドツーエンドフレームワークを提案する。 具体的には、事前学習された音響モデルを用いて、異なるカテゴリーにわたる識別的特徴を捉え、自動回帰テキスト生成のための言語モデルを用いる。
  論文  参考訳（メタデータ） (2023-08-22T15:59:06Z)
• ADIMA: Abuse Detection In Multilingual Audio [28.64185949388967]
  音声テキストにおける乱用コンテンツ検出は、音声認識(ASR)を実行し、自然言語処理の進歩を活用することで対処することができる。 ADIMAは,言語学的に多様であり,倫理的にも特徴的であり,注釈付きかつバランスの取れた多言語多義性検出音声データセットである。
  論文  参考訳（メタデータ） (2022-02-16T11:09:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。